F1 Skoru Nedir? Precision ve Recall Dengesi (F1 Skoru)

F1 skoru, iki metriğin harmonik ortalamasıdır: F1 = 2 × (Precision × Recall) / (Precision + Recall). Değer aralığı 0 ile 1'dir; 1 mükemmel sınıflandırmayı, 0 ise tamamen başarısız bir modeli temsil eder. Harmonik ortalama kullanılmasının nedeni, her iki metrik yüksek olmadıkça F1'in yüksek olamamasıdır. Aritmetik ortalama yerine harmonik kullanılırsa Precision=0.99, Recall=0.01 için aritmetik ortalama 0.5 verirken F1 yalnızca 0.0198 çıkar; bu sayede tek taraflı optimize edilmiş modeller cezalandırılır.

Kesinlik, modelin pozitif dediği örneklerin gerçekten pozitif olma oranıdır (TP / (TP + FP)). Duyarlılık ise gerçek pozitiflerin ne kadarının yakalandığını ölçer (TP / (TP + FN)). Bir spam filtresi yüksek kesinliği hedeflerse meşru e-postaları yanlışlıkla spam saymaktan kaçınır; ancak gerçek spam'lerin bir kısmını atlayabilir. Yüksek duyarlılık hedeflerse tüm spam'leri yakalar ancak bazı gerçek e-postaları da filtreler. Bu iki metrik arasındaki dengeyi bulmak kritik bir tasarım kararıdır ve F1 skoru bu dengeyi tek bir değerde özetlemenin standart yoludur.

Dolandırıcılık tespiti, nadir hastalık teşhisi veya anomali algılama gibi sınıf dengesizliğinin yüksek olduğu problemlerde ham doğruluk oranı (accuracy) büyük ölçüde yanıltıcıdır. Binlerce işlem içinde yalnızca birkaç sahte işlem bulunan bir veri setinde her örneği meşru sayan model %99.9+ doğruluk elde edebilir; oysa F1 skoru bu modelin sıfır olduğunu açıkça gösterir. F1, azınlık (pozitif) sınıfı üzerindeki gerçek başarımı yansıtarak bu tür uygulamalarda tercih edilen birincil metriktir.

ROC-AUC, eşik değerinden bağımsız bir performans ölçütü sunarken F1 belirli bir karar eşiğine (genellikle 0.5) göre hesaplanır. Sınıf dağılımı dengeli ve eşik değeri kritik değilse ROC-AUC daha kapsamlı bilgi verir. Buna karşın gerçek pozitif sayısı çok az olan durumlarda Precision-Recall eğrisi ve F1, ROC-AUC'dan daha anlamlıdır çünkü büyük negatif havuzu ROC eğrisini yapay olarak yükseltebilir. İkisini birlikte kullanmak en sağlıklı model değerlendirmesini sağlar.

F1 skoru fintech'te kredi kartı dolandırıcılığı tespitinde, sağlık alanında kanser tarama modellerinde, siber güvenlikte kötü amaçlı yazılım sınıflandırmada, NLP'de bilgi çıkarımı ve adlandırılmış varlık tanımada (NER) ve e-ticaret sistemlerinde spam yorum filtrelemede yaygın biçimde kullanılır. Bu alanlarda hem yanlış pozitifin (gereksiz alarm, yüksek maliyet) hem de yanlış negatifin (kaçırılan tehdit veya hastalık) bedeli yüksektir; F1 skoru bu ikili riski dengelemek için ideal metriktir.